应使用iterparse事件驱动迭代解析，监听'end'事件并及时clear()释放内存；推荐lxml提升鲁棒性与性能；流式提取字段后立即落库，支持断点续处理。
处理超大XML文件时，不能用xml.etree.ElementTree.parse()一次性加载整个文档——内存会爆。核心思路是：**边读边处理，不保留完整树结构**。最常用、最稳妥的方式是使用xml.etree.ElementTree.iterparse()进行事件驱动的迭代解析。
用iterparse按需触发事件
iterparse()返回一个（事件，元素）元组的迭代器，支持'start'（开始标签）、'end'（结束标签）等事件。关键技巧是：在'end'时处理完数据后立即调用element.clear()，释放内存；对父元素也及时清理，避免隐式引用导致内存堆积。
- 只监听
'end'事件，避免重复处理； - 用
elem.tag判断是否为目标节点（如'record'或'item'）； - 处理完一个完整子树后，调用
elem.clear()并手动删除其子元素引用（如elem.clear(); del elem[:]）； - 如果需要命名空间，提前用
namespaces参数注册，或用{uri}tag写法匹配。
配合lxml提升性能和稳定性
标准库的iterparse对损坏格式或大文本内容较敏感。换成lxml.etree.iterparse()通常更鲁棒，解析速度更快，还支持huge_tree=True选项来处理含超长文本或深层嵌套的XML。
- 安装：
pip install lxml； - 用法与标准库类似，但支持更多参数，例如
recover=True可跳过格式错误继续解析； - 处理文本时注意：
elem.text可能为None，需判空；大段CDATA内容会原样保留在.text中； - 若需XPath快速定位，可在
'end'事件中对当前元素调用elem.xpath()，避免全局搜索。
流式提取特定字段，不建完整对象
多数场景只需提取某些字段（如ID、标题、时间），没必要构造Python对象。可定义简单字典或命名元组，在'end'事件中收集，匹配到目标标签就取值，然后清空或重用变量。
立即学习“Python免费学习笔记（深入）”；
- 用栈或层级计数跟踪当前路径，避免误取嵌套同名标签；
- 对属性值直接用
elem.get('attr_name')； - 文本内容用
elem.text.strip() if elem.text else ''安全获取； - 每处理完一条记录，立刻写入CSV/数据库/队列，不累积在内存里。
处理失败时保留断点继续
超大文件解析可能中途失败（如网络中断、磁盘满）。可结合file.tell()和iterparse的底层文件句柄（需自己打开文件），记录已处理字节位置；或改用基于行号/标签序号的轻量级断点（如每处理1000个'end'事件存一次进度）。重启时跳过已处理部分，用itertools.islice或手动读取跳过开头。
- 不要依赖
ElementTree自动管理文件指针——它内部缓冲，tell()不准； - 更可靠的做法：用普通
open()读取，把文件对象传给iterparse，再用file.seek()控制位置； - 日志中记录当前处理的标签路径和序号，便于排查卡点。
